2.14. PSİKOLOJİK BELİRTİLER
2.14.2. Bireylerde Görülen Başlıca Psikolojik Belirtiler
2.14.2.1. Somatizasyon
rage
Tanto Remos [20] quanto NWS [22] são serviços de predição completos, possuindo seus próprios sensores, bases de dados e algoritmos de predição. Entretanto, um não consegue tra- balhar em cooperação com o outro, impondo a todas as OV participantes da grade a instalação de um deles ou impondo aos programadores o desenvolvimento de código para mais de um ser- viço. O GIStorage, em contraste, permite as OV empregarem as ferramentas de monitoramento que melhor se adequam as suas necessidades. Programadores podem também desenvolver apli- cações que obtêm informações sobre o desempenho passado dos recursos independentemente do fabricante e tipo de sensor. Além disso, novos serviços de predição podem ser construídos de maneira mais simples uma vez que não precisam lidar com problemas relacionados a produção e armazenamento de informações.
O Ganglia [25], uma ferramenta de monitoramento, poderia ser usado para prover informa- ções coletadas de sensores para algoritmos de predição. De maneira similar ao GIStorage, o Ganglia tem sua arquitetura baseada em árvore, onde cada folha coleta informação de desem-
penho e, mais acima na árvore hierárquica, essa informação é armazenada em diferentes inter- valos. Em oposição ao GIStorage, o Ganglia não emprega um serviço de diretório, tornando difícil a tarefa de encontrar onde a informação sobre determinado recurso num determinado intervalo de tempo está armazenada. Além disso, o Ganglia não é compatível com padrões para grades, em especial, com o WSRF [9].
Como parte do projeto Globus [28], um serviço de informação para grades conhecido como MDS [2] foi desenvolvido. O MDS se baseia em serviços de índices para agregar informações coletadas por provedores de informação, buscando facilitar a descoberta de serviços e recursos. Embora um serviço de armazenamento esteja previsto para o futuro, até o momento o MDS não tem a habilidade de armazenar informações históricas sobre o desempenho passado dos recur- sos. Apesar disso, o GIStorage e o MDS tem algumas semelhanças visto que provedores de informação e serviços de índices são análogos aos sensores e serviços de diretório, respectiva- mente. GIStorage pode ser implementado usando a API do Globus [62], empregando o serviço de índice como seu serviço de diretório e implementando um novo agregador para trabalhar como um SE.
O TGIS [30], outro serviço de informação, também possui algumas semelhanças com o GIStorage. O primeiro é estruturado como uma árvore, entretanto, não emprega um serviço de diretório tal qual faz o segundo. Como demonstrado anteriormente, o uso de um serviço de diretório melhora o tempo de resposta pois permite aos usuários conectarem diretamente os recursos responsáveis pela informação desejada, evitando transferências desnecessárias. Já o FOSIS [32], assim como o TGIS, é estruturado como uma árvore e também não emprega um serviço de diretório, sofrendo do mesmo problema que o anterior. Por outro lado, este último utiliza uma estrutura baseada em florestas, ou seja, um conjunto de árvores para melhor balancear a carga e melhorar a escalabilidade. Tal abordagem é usada pelo GIStorage para melhorar sua escalabilidade.
Outro serviço de informação para grades igualmente estruturado como uma árvore é o OGSI-based GIS [33]. Este serviço utiliza uma entidade conhecida como VO Information Ser-
vice, semelhante ao serviço de diretório do GIStorage, para armazenar informações estáticas
sobre os recursos e meta-dados indicando onde encontrar as informações dinâmicas. De forma oposta ao GIStorage, este serviço não contempla um elemento agregador de informações como o SE raiz, obrigando os usuários a buscarem informações dinâmicas diretamente nos recur- sos. Com isso seu desempenho deve se assemelhar ao da solução totalmente distribuída, sendo portanto, menos eficiente que o GIStorage.
O que motivou os projetistas do OGSI-based GIS a armazenar somente as informações estáticas e não as dinâmicas num agregador foi a constatação da baixa escalabilidade da segunda abordagem. Os experimentos demonstrados na Seção 5.2.4 indicam que uma solução totalmente distribuída realmente tende a escalar melhor. Por outro lado, ao utilizar mais de um SE raiz, o GIStorage aparenta melhorar sua escalabilidade e ainda ter um desempenho melhor do que a solução totalmente distribuída.
A arquitetura baseada em árvore do GIStorage é semelhante as arquiteturas propostas por outros trabalhos. Entretanto, como demonstrado anteriormente, o emprego do serviço de di- retório tem impacto positivo no desempenho do serviço o que eleva a eficiência do GIStorage frente aos serviços TGIS e FOSIS. Por utilizar um serviço de diretório o OGSI-based GIS po- deria ter um desempenho semelhante ao do GIStorage, contudo, como aquele não emprega um serviço de agregação, como o SE raiz, permanece com desempenho inferior ao deste. Por fim, a utilização de mais de um SE raiz melhora a escalabilidade do GIStorage e mantém seu bom desempenho para solicitações de informações históricas sobre um intervalo reduzido de tempo passado.
6 Considerações finais
Serviços de descoberta e alocação de recursos e escalonamento de tarefas podem empregar algoritmos de predição de desempenho em suas análises para melhorar os seus resultados [3–6]. Diversos algoritmos de predição [6, 21, 23] baseiam-se em séries temporais que, por sua vez, requerem informações históricas sobre o desempenho dos recursos.
Para dar suporte a algoritmos de predição este trabalho propôs a arquitetura de um novo serviço de informação para grades computacionais cujo objetivo principal é armazenar informa- ções históricas sobre o desempenho dos recursos. Tal serviço, chamado de GIStorage, permite que serviços de predição concentrem-se somente no processamento das informações coletadas ao invés de gerenciar sensores e as informações produzidas, liberando-os de como problemas relacionados a grande quantidade de informação, escalabilidade, entre outros.
Através do GIStorage, usuários podem acessar informações históricas sobre o desempenho dos recursos independentemente do algoritmo ou serviço de predição empregado. Além disso, organizações virtuais podem usar os sensores que melhor atendem as suas políticas internas, não sendo imposta a instalação de sensores compatíveis com determinados serviços de predição.
Antes de ser projetada a arquitetura do GIStorage, foi necessário definir um modelo de informação para expressar o desempenho dos recursos. Com o intuito de empregar um modelo padronizado optou-se pelo GLUE schema [34]. Apesar de já estar sendo usado por ferramentas como o Globus [28], Ganglia [25] e pelo OGSI-based GIS [33], o modelo GLUE schema não contempla informações referentes a rede de interconexão tampouco é capaz de relacionar os eventos com o momento em que ocorreram.
Como parte deste trabalho criou-se o GLUE2(GLUE schema Extended), um modelo de in-
formação baseado no GLUE schema capaz de descrever medições sobre a rede de interconexão e relacioná-las com uma marcação de tempo. O modelo GLUE2combina tanto o GLUE schema
quanto as recomendações do OGF [11], que identificou quais características da rede são rele- vantes às aplicações e, posteriormente, elaborou uma terminologia padronizada para descrever medições de rede [37].
O modelo de informação GLUE2 é usado pelo GIStorage para representar as informações
sobre os recursos e as redes de interconexão. Tanto os sensores quanto os serviços de predição devem compreendê-lo a fim de publicar e obter dados do serviço de informações, respectiva- mente.
O modelo GLUE2 apresenta uma possível solução aos problemas relacionados com a hete-
rogeneidade de recursos e conjunto de informações. Entretanto, um único documento contendo informações relativas a todos os recursos de uma grade não seria viável devido a grande quan-
tidade de participantes de uma grade real. Além disso, uma solução centralizada reduziria o desempenho de toda a grade ao criar um gargalo no sistema e, caso este gargalo falhasse, pode- ria inviabilizar o uso de todo o ambiente. Devido a isso a arquitetura do GIStorage foi definida de forma distribuída.
Durante a definição de sua arquitetura buscou-se novamente seguir as recomendações do OGF para serviços de monitoramento para grades (GMA) [52]. Assim como na arquitetura do GMA, o GIStorage interage com consumidores (usuários e serviços de predição) e produtores (sensores). O GIStorage propriamente dito age tanto como um consumidor, obtendo informa- ções de sensores, quanto como um produtor, disponibilizando-as para os serviços de predição.
O GIStorage é formado por uma série de elementos de armazenamento (SE) que são respon- sáveis por obter as informações de sensores e armazená-las, permitindo que serviços de predição possam recuperar informações sobre o histórico do desempenho dos recursos da grade. Os SEs estão organizados numa estrutura baseada em árvore para atingir um bom desempenho e ainda armazenar uma grande quantidade de dados. Adicionalmente, para encontrar facilmente o SE que armazena a informação desejada, o GIStorage contempla um serviços de diretório. Tal serviço registra qual SE é responsável por qual informação e qual o intervalo de tempo que o mesmo mantém em sua base de dados.
Outros serviços de informação propostos utilizam estruturas em árvore [30, 32, 33], en- tretanto, somente o GIStorage emprega um serviço de diretório e SEs raízes que armazenam informações recentemente coletadas. Como resultado dos experimentos descritos no capítulo anterior, foi possível comprovar o melhor desempenho obtido quando se emprega um elemento central para armazenar as informações recentes. Os resultados indicam também que a arqui- tetura do GIStorage tem uma boa escalabilidade ao se utilizar mais de um SE raiz quando a OV possui muitos recursos ou é acessado por um elevado número de usuários. No Capítulo 5 comprovou-se também que o uso de um serviço de diretório tem impacto positivo no desempe- nho do GIStorage.
Para os objetivos propostos o GIStorage possui qualidades frente aos demais serviços de informação. Por utilizar um serviço de diretório e um elemento que armazena as informações mais recentes o GIStorage apresenta um bom desempenho para solicitações que envolvem inter- valos de tempo histórico reduzido, comuns quando se pretende predizer diferentes cenários de escalonamento. Por outro lado, quando o intervalo de tempo necessário é elevado, o GIStorage não tem desempenho pior do que uma solução totalmente distribuída, onde ocorrem numerosas trocas de mensagens entre o serviço de predição e os elementos de armazenamento.
A nova arquitetura proposta além de seguir os padrões atuais para grades computacionais cumpre a proposta inicial de obter um bom desempenho e conseguir armazenar uma grande quantidade de informações. O modelo de informação GLUE2 consegue representar informa-
ções variadas condizentes com as necessidades de algoritmos de predição. Por fim, a solução distribuída do GIStorage tem boa escalabilidade.
tros usos. Pode-se empregar o GIStorage para administrar os recursos de uma organização, indicando gargalos ou apontando os recursos que estão fora de operação. É possível também empregar o GIStorage para verificar contratos de utilização de grades, como faz o Inca [63].
O GIStorage pode ser utilizado na depuração de aplicações paralelas, relacionando o desem- penho dos recursos com a execução da aplicação, de maneira similar ao Netlogger [64]. Para isso é necessário adicionar ao mesmo a capacidade de armazenar informações provenientes das aplicações.
Uma questão importante que não foi contemplada neste trabalho é a segurança das infor- mações. Entende-se por segurança a capacidade do serviço de autorizar os usuários a fazer leituras e os sensores a inserir informações. Mais uma vez deve-se seguir as recomendações do OGF [65] e utilizar uma infra-estrutura de chaves públicas (PKI) através da qual tanto os usuários quanto os sensores possuem certificados que os autenticam e permitem que os mes- mos leiam ou insiram informações, respectivamente. Técnicas semelhantes são utilizadas pelo Globus [66].
Uma outra corrente de pesquisa em ascenção propõe o chamado semantic grid [67], grades onde a informação, recursos e serviços são descritos de forma padronizada, permitindo a um processo automatizado extrair o significado das informações. Pode-se adequar o GIStorage a este tipo de grade computacional. Em especial, já foi implementado por Niinimäki at al [68] um mapeamento do modelo de informação GLUE schema em ontologia. Um mapeamento do GLUE2 também pode ser feito.
Referências
[1] FOSTER, I.; KESSELMAN, C.; TUECKE, S. The anatomy of the grid: Enabling scalable virtual organizations. Int. J. High Perform. Comput. Appl., v. 15, n. 3, p. 200–222, 2001. ISSN 1094-3420.
[2] CZAJKOWSKI, K. et al. Grid information services for distributed resource sharing. In:
HPDC ’01: Proceedings of the 10th IEEE International Symposium on High Performance Distributed Computing (HPDC-10’01). Washington, DC, USA: IEEE Computer Society,
2001. p. 181.
[3] DOWNEY, A. B. Predicting queue times on space-sharing parallel computers. In: 11th
International Parallel Processing Symposium. [S.l.]: IEEE Computer Society, 1997. p. 209–
218.
[4] SMITH, W. Improving resource selection and scheduling using predictions. In: NA- BRZYSKI, J.; SCHOPF, J.; WE¸GLARZ, J. (Ed.). Grid Resource Management, State of the
art and future trends. [S.l.]: Kluwer Academic Publishers, 2004. cap. 16, p. 237–253.
[5] BERMAN, F. D. et al. Application-level scheduling on distributed heterogeneous networks. In: Supercomputing ’96: Proceedings of the 1996 ACM/IEEE conference on Supercomputing
(CDROM). Washington, DC, USA: IEEE Computer Society, 1996. p. 39–52. ISBN 0-89791-
854-1.
[6] YANG, L.; SCHOPF, J. M.; FOSTER, I. Conservative scheduling: Using predicted variance to improve scheduling decisions in dynamic environments. In: SC ’03: Proceedings of the
2003 ACM/IEEE conference on Supercomputing. Washington, DC, USA: IEEE Computer
Society, 2003. p. 31–46.
[7] LASZEWSKI; SMITH, W.; TUECKE, S. A directory service for configuring high- performance distributed computations. In: HPDC ’97: Proceedings of the 6th International
Symposium on High Performance Distributed Computing (HPDC ’97). [S.l.: s.n.], 1997.
[8] CHRISTENSEN, E. et al. Web Services Description Language. World Wide Web Con- sortium (W3C), 2006. Relatório Técnico. Acessado em novembro de 2006. Disponível em: <http://www.w3.org/TR/wsdl>.
[9] SNELLING, D.; ROBINSON, I.; BANKS, T. Web Services Resource Framework. Organi- zation for the Advancement of Structured Information Standards (OASIS), 2006. Relatório Técnico. Acessado em novembro de 2006. Disponível em: <http://www.oasis-open.org>. [10] OASIS. Organization for the Advancement of Structured Information Standards (OASIS).
[11] OPEN GRID FORUM. Open Grid Forum Home Page. Acessado em julho de 2006. Dis- ponível em: <http://www.ogf.org/>.
[12] W3C. World Wide Web Consortium (W3C). Acessado em novembro de 2006. Disponível em: <http://www.w3.org/>.
[13] SCHOPF, J. M. Ten actions when grid scheduling. In: NABRZYSKI, J.; SCHOPF, J.; WE¸GLARZ, J. (Ed.). Grid Resource Management, State of the art and future trends. [S.l.]: Kluwer Academic Publishers, 2004. cap. 2, p. 15–24.
[14] FOSTER, I. et al. A Distributed Resource Management Architecture that Supports Ad- vance Reservations and Co-Allocation. In: Proceedings of the International Workshop on
Quality of Service. London, UK: IEEE Computer Society, 1999. p. 27–36.
[15] JARVIS, S. et al. Performance prediction and its use in parallel and distributed computing systems. In: Parallel and Distributed Processing Symposium. [S.l.]: IEEE Computer Society, 2003. p. 8–15.
[16] DINDA, P. A. Online prediction of the running time of tasks. In: High Performance Distri-
buted Computing. 10th IEEE International Symposium on Performance. [S.l.]: IEEE Com-
puter Society, 2001. p. 336–337.
[17] SMITH, W.; FOSTER, I.; TAYLOR, V. Predicting application run times using historical information. Lecture Notes in Computer Science, v. 1459, p. 122–141, 1998.
[18] CZAJKOWSKI I. FOSTER, C. K. k. Agreement-based resource management. In: Proce-
edings of the IEEE. [S.l.]: IEEE Computer Society, 2005. v. 93, p. 631–643.
[19] GROSHWITZ, N.; POLYZOS, G. A time series model of long-term nsfnet backbone traf- fic. In: Conference Record, Serving Humanity Through Communications. [S.l.]: IEEE Com- puter Society, 1994. v. 3, p. 1400–1404.
[20] DINDA, P. A. et al. The architecture of the remos system. In: HPDC ’01: Proceedings
of the 10th IEEE International Symposium on High Performance Distributed Computing (HPDC-10’01). Washington, DC, USA: IEEE Computer Society, 2001. p. 252–268.
[21] WOLSKI, R. Dynamically forecasting network performance using the network weather service. Cluster Computing, Kluwer Academic Publishers, Hingham, MA, USA, v. 1, n. 1, p. 119–132, 1998. ISSN 1386-7857.
[22] WOLSKI, R.; SPRING, N. T.; HAYES, J. The network weather service: a distributed resource performance forecasting service for metacomputing. Future Generation Computer
Systems, Elsevier, v. 15, n. 5–6, p. 757–768, 1999.
[23] DINDA, P. A. Design, implementation, and performance of an extensible toolkit for re- source prediction in distributed systems. IEEE Transactions on Parallel and Distributed Sys-
tems, IEEE Computer Society, v. 17, n. 2, p. 160–173, fev. 2006.
[24] KERBYSON, D. et al. Is predictive tracing too late for hpc users. In: High Performance
Computing. United Kingdon: Plenum Press, 1998. p. 57–67.
[25] MASSIE, M. L.; CHUN, B. N.; CULLER, D. E. The ganglia distributed monitoring sys- tem: Design, implementation, and experience. Parallel Computing, Elsevier, v. 30, n. 7, p. 817–840, jul 2004.
[26] NAGIOS. The Nagios Project Home page. Acessado em maio de 2006. Disponível em: <http://www.nagios.org/>.
[27] HAWKEYE. The Hawkeye Project Home page. Acessado em maio de 2006. Disponível em: <http://www.cs.wisc.edu/condor/hawkeye>.
[28] FOSTER, I.; KESSELMAN, C. The globus toolkit. In: FOSTER, I.; KESSELMAN, C. (Ed.). The Grid: Blueprint for a New Computing Infraestruture. [S.l.]: Morgan Kaufmann Publishers, 1999. cap. 11, p. 259–278.
[29] FOSTER, I. T. Globus toolkit version 4: Software for service-oriented systems. In: JIN, H.; REED, D. A.; JIANG, W. (Ed.). Proceedings of Network and Parallel Computing, IFIP
International Conference, NPC 2005. [S.l.]: Springer-Verlag, 2005. v. 3779, p. 2–13.
[30] CHEN, Y. et al. A framework of a tree-based grid information service. In: SCC ’05:
Proceedings of the 2005 IEEE International Conference on Services Computing. [S.l.: s.n.],
2005.
[31] FOSTER, I. et al. The Physiology of the Grid: An Open Grid Services Architecture for
Distributed Systems Integration. 2002. 1-15 p.
[32] SUN, H. et al. A new architecture for ogsa-based grid information service. In: SCC ’04:
Proceedings of the 2004 IEEE International Conference on Services Computing. [S.l.: s.n.],
2004.
[33] ZANG, T. et al. The design and implementation of an ogsa-based grid information ser- vice. In: ICWS ’04: Proceedings of the IEEE International Conference on Web Services
(ICWS’04). [S.l.: s.n.], 2004.
[34] ANDREOZZI, S. et al. Glue Schema Specification version 1.2. Glue schema project, 2005. Relatório Técnico. Acessado em julho de 2006. Disponível em: <http://infnforge.cnaf.infn.it/glueinfomodel/>.
[35] GLOBUS ALLIANCE. How-to configure GLUE in Globus. Acessado em julho de 2006. Disponível em: <http://www.globus.org/toolkit/mds/glueschemalink.html>.
[36] ROSE, C. D.; NAVAUX, P. Fundamentos de processamento de alto desempenho. In: YA- MIN, A.; BARBOSA, J. L. V. (Ed.). Anais da Escola Regional de Alto Desempenho (ERAD
2004). [S.l.]: Sociedade Brasileira de Computação, 2004. cap. 2, p. 15–24.
[37] LOWEKAMP, B. et al. A hierarchy of Network Performance Characteristics for Grid
Applications and Services. Open Grid Forum, 2003. Relatório Técnico. Acessado em julho
de 2006. Disponível em: <http://www.ogf.org/>.
[38] TANENBAUM, A. Computer Networks. San Francisco, CA, USA: Prentice Hall Profes- sional Technical Reference, 2002.
[39] SUBRAMANYAN, R.; MIGUEL-ALONSO, J.; FORTES, J. A. B. A scalable snmp-based distibuted monitoring system for heterogeneous network computing. In: Supercomputing
’00: Proceedings of the 2000 ACM/IEEE conference on Supercomputing (CDROM). [S.l.:
[40] LEE, C. A. et al. A network performance tool for grid environments. In: Supercomputing
’99: Proceedings of the 1999 ACM/IEEE conference on Supercomputing (CDROM). [S.l.:
s.n.], 1999.
[41] ROUGHAN, M. Fundamental bounds on the accuracy of network performance measure- ments. In: SIGMETRICS ’05: Proceedings of the 2005 ACM SIGMETRICS international
conference on Measurement and modeling of computer systems. [S.l.: s.n.], 2005.
[42] OBRACZKA, K.; GHEORGHIU, G. The performance of a service for network-aware applications. In: SPDT ’98: Proceedings of the SIGMETRICS symposium on Parallel and
distributed tools. [S.l.: s.n.], 1998.
[43] SESHAN, S.; STEMM, M.; KATZ, R. H. SPAND: Shared Passive Network
Performance Discovery. Berkeley, CA, USA: University of California at Berke-
ley, 1997. Relatório Técnico. Acessado em novembro de 2006. Disponível em: <http://www.eecs.berkeley.edu/Pubs/TechRpts/1997/5839.html>.
[44] OURGRID. Ourgrid Project Home Page. Acessado em novembro de 2006. Disponível em: <http://www.ourgrid.org/>.
[45] SWANY, M.; WOLSKI, R. Representing dynamic performance information in grid en- vironments with the network weather service. In: CCGRID ’02: Proceedings of the 2nd
IEEE/ACM International Symposium on Cluster Computing and the Grid. [S.l.: s.n.], 2002.
[46] MILLER, N.; STEENKISTE, P. Collecting network status information for network-aware applications. In: INFOCOM. [S.l.: s.n.], 2000. p. 641–650.
[47] HODGES, J.; MORGAN, R. Lightweight Directory Access Protocol (v3): Technical Spe-
cification. , United States: RFC Editor, 2002. Relatório Técnico.
[48] COOKE, A. W. et al. The relational grid monitoring architecture: Mediating information about the grid. Journal of Grid Computing, v. 2, n. 4, p. 323–339, 2004.
[49] PLALE, B.; DINDA, P.; LASZEWSK, G. von. Key concepts and services of a grid in- formation service. In: Proceedings of the 15th International Conference on Parallel and
Distributed Computing Systems (PDCS 2002). Louisville, KY: MIT Cambridge, 2002.
[50] ZHANG, X.; FRESCHL, J. L.; SCHOPF, J. M. A performance study of monitoring and information services for distributed systems. In: HPDC ’03: Proceedings of the 12th IEEE
International Symposium on High Performance Distributed Computing (HPDC’03). [S.l.:
s.n.], 2003.
[51] KONYA, B.; FIELD, L.; ANDREOZZI, S. GLUE Schema Home Page. Acessado em novembro de 2006. Disponível em: <http://glueschema.forge.cnaf.infn.it/>.
[52] TIERNEY, B. et al. A Grid Monitoring Architecture. Open Grid Forum, 2002. Relatório Técnico. Acessado em julho de 2006. Disponível em: <http://www.ogf.org/>.
[53] GROVE, M. B. jgma: A lightweight implementation of the grid monitoring architecture. In: Proceedings of the UK e-Science All Hands Meeting. [S.l.: s.n.], 2004.
[54] PYTHON GMA PROJECT. Python GMA Project Home Page. Acessado em novembro de 2006. Disponível em: <http://py-gma.sourceforge.net/>.